Les résultats de recherche d'un site de commerce électronique ne font pas apparaître les articles que les clients sont le plus susceptibles d'acheter. L'entreprise souhaite la solution la plus simple et la moins coûteuse en termes d'efforts opérationnels pour présenter des résultats classés en fonction de ce que les clients sont le plus susceptibles de vouloir. Quelle solution répond à ce besoin avec le moins de frais opérationnels ?

L'utilisation d'Amazon CloudSearch avec son score de pertinence intégré est la solution la plus simple et la moins coûteuse en termes d'efforts opérationnels. CloudSearch est un service de recherche géré qui gère automatiquement l'infrastructure, la mise à l'échelle et les mises à jour, réduisant ainsi la charge opérationnelle. Son score de pertinence est conçu pour classer les résultats en fonction de la probabilité que les clients les trouvent pertinents. Les autres options sont moins optimales : SageMaker BlazingText pour l'expansion de requêtes est une solution plus complexe qui nécessite un développement et une maintenance ML, augmentant les efforts opérationnels. SageMaker XGBoost pour réentraîner le classement des candidats est également une solution ML complexe qui implique des efforts de modélisation, d'entraînement et de déploiement continus. Trier les résultats par localisation géographique avec CloudSearch ne répond pas à l'exigence de classer les articles que les clients sont "le plus susceptibles de vouloir", car la localisation n'est pas nécessairement un indicateur de préférence d'achat.